实现功能
上篇文章介绍了用Squential搭建BP神经网络，Squential可以搭建出上层输出就是下层输入的顺序神经网络结构，无法搭出一些带有跳连的非顺序网络结构，这个时候我们可以选择类class搭建封装神经网络结构。
-
第一步：import tensorflow as tf：导入模块
-
第二步：制定输入网络的训练集和测试集
-
第三步：搭建网络结构
-
第四步：model.compile()：配置训练方法
-
第五步：model.fit()：执行训练过程
-
第六步：model.summary()：打印网络结构
实现代码
import tensorflow as tf
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
class NeuralNetwork(tf.keras.Model):
def __init__(self, input_size, hidden_size, output_size):
super(NeuralNetwork, self).__init__()
self.dense1 = tf.keras.layers.Dense(hidden_size, activation='relu')
self.dense2 = tf.keras.layers.Dense(hidden_size, activation='relu')
self.dense3 = tf.keras.layers.Dense(output_size, activation='softmax')
def call(self, inputs):
x = self.dense1(inputs)
x = self.dense2(x)
x = self.dense3(x)
return x
# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target
# 数据预处理
scaler = StandardScaler()
X = scaler.fit_transform(X)
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建模型实例
input_size = X.shape[1]
hidden_size = 64
output_size = len(set(y))
model = NeuralNetwork(input_size, hidden_size, output_size)
# 编译模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32)
model.summary()
# 评估模型
test_loss, test_accuracy = model.evaluate(X_test, y_test)实现效果
本人读研期间发表5篇SCI数据挖掘相关论文，现在某研究院从事数据挖掘相关科研工作，对数据挖掘有一定认知和理解，会结合自身科研实践经历不定期分享关于python、机器学习、深度学习基础知识与案例。
致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。
邀请三个朋友关注V订阅号：数据杂坛，即可在后台联系我获取相关数据集和源码，送有关数据分析、数据挖掘、机器学习、深度学习相关的电子书籍。
